mkevac

#!/usr/bin/env python

import pyPdf
import re
import isbn
import sys

def get_pdf_content(path, pages_count=10):
    content = ""

    pdf = pyPdf.PdfFileReader(file(path, "rb"))

    pages_total = pdf.getNumPages()

    if pages_total < pages_count:
        pages = pages_total
    else:
        pages = pages_count

    for i in xrange(0, pages):
        content += pdf.getPage(i).extractText() + "\n"

    content = " ".join(content.replace(u"\xa0", " ").strip().split())
    return content.encode("ascii", "ignore")

content = get_pdf_content(sys.argv[1])

isbn_13 = re.findall("ISBN.{0,15}([0-9][-]?[0-9][-]?[0-9][-]?[0-9][-]?[0-9][-]?[0-9][-]?[0-9][-]?[0-9][-]?[0-9][-]?[0-9][-]?[0-9][-]?[0-9][-]?[0-9])", content)
isbn_10 = re.findall("ISBN.{0,15}([0-9][-]?[0-9][-]?[0-9][-]?[0-9][-]?[0-9][-]?[0-9][-]?[0-9][-]?[0-9][-]?[0-9][-]?[0-9])", content)

isbn_13 = list(set(isbn_13))
isbn_10 = list(set(isbn_10))

isbn_13_valid = [i for i in isbn_13 if isbn.isValid(i)]
isbn_10_valid = [i for i in isbn_10 if isbn.isValid(i)]

print "ISBN-13:", isbn_13_valid
print "ISBN-10:", isbn_10_valid